半监督深度学习用于通过近红外高光谱成像检测家禽肉上的外来物质

科学领域:

• 食品科学与技术 食品科学与技术
• 计算机视觉 计算机视觉
• 频谱学是一种光谱学.

背景情况:

• 高光谱成像 (HSI) 与深度学习相结合,显示出食品安全和质量评估的潜力.
• 获取大型,准确标记的数据集用于训练HSI中的深度学习模型是一个重大挑战.
• 在生禽肉上检测异物 (FMs) 对于确保消费者安全至关重要.

研究的目的:

• 开发一种新的半监督的高光谱深度学习模型,用于检测生胸片上的异物 (FMs).
• 为了应对食品安全应用的高光谱图像分析中有限的标记数据的挑战.
• 在光谱像素和对象水平上评估开发模型的性能.

主要方法:

• 提出了一个基于生成对抗网络 (GAN) 的半监督的超谱深度学习模型.
• 在GAN框架内,改进的1D U-Net被用作区分器.
• 该模型使用1000-1700纳米近红外范围的干净胸片的光谱反应进行训练.
• 测试涉及30种类型的两大尺寸的FM (2x2mm2和5x5mm2) 在生胸片上.

主要成果:

• 该技术实现了100%的精度,>93%的回忆,96.8%的F1得分和96.9%的平衡精度在光谱像素水平.
• 结合1D光谱和2D空间信息,可以达到96.5%的对象级检测准确度.
• 该模型在准确识别和定位各种原始家禽的 FM 方面表现出高效率.

结论:

• 开发的半监督超光谱深度学习技术在检测生禽肉上的异物方面非常有效.
• 该模型在有限的标签数据下表现良好的能力为食品安全应用提供了实用解决方案.
• 该技术显示出将其推广到其他农业和食品领域的潜力,突出了其更广泛的意义.